Machine learning 感知器学习
使用更新规则可以很容易地学习感知器 w_i=w_i+n（y-\hat{y}）x 到目前为止，我阅读的所有参考资料都表明，学习率n可以设置为1 w.l.g 我的问题是，如果数据是线性可分的，有没有证据证明收敛速度总是相同的？ 这不也应该取决于初始w向量吗？引用： 感知器的决策边界是不变的 权重向量的缩放；也就是说，一个用 初始权重向量\mathbf{w}和学习率\alpha\的行为 与使用初始权重向量训练的感知器相同 \mathbf{w}/\alpha\，学习率为1。因此，从最初的 随着迭代次数的增加，权重变得无关紧要 对于感知器来说，学习速度并不重要，而且 通常设置为1 可能重复的Machine learning 感知器学习,machine-learning,neural-network,perceptron,Machine Learning,Neural Network,Perceptron,使用更新规则可以很容易地学习感知器 w_i=w_i+n（y-\hat{y}）x 到目前为止，我阅读的所有参考资料都表明，学习率n可以设置为1 w.l.g 我的问题是，如果数据是线性可分的，有没有证据证明收敛速度总是相同的？ 这不也应该取决于初始w向量吗？引用： 感知器的决策边界是不变的 权重向量的缩放；也就是说，一个用 初始权重向量\mathbf{w}和学习率\alpha\的行为 与使用初始权重向量训练的感知器相同 \mathbf{w}/\alpha\，学习率为1。因此，从最初的 随着迭代次数的